基于tensorflow的iris数据集分类示例

        iris数据集是一类多重变量分析的小数据集，包含150个数据，分为3类，每类50个数据，在大部分的机器学习工具中都是自带的，本文基于sklearn工具读取该数据集。

第一步：导入相应模块并读取数据

import tensorflow as tf
import numpy as np
from sklearn.datasets import load_iris

#读取数据
data = load_iris()
iris_data = np.float32(data.data)			#数据读取
iris_target = (data.target)
iris_target = np.float32(tf.keras.utils.to_categorical(iris_target,num_classes=3))

第二步：使用keras构建三层网络模型

input_xs  = tf.keras.Input(shape=(4,), name='input_xs')
out = tf.keras.layers.Dense(32, activation='relu', name='dense_1')(input_xs)
out = tf.keras.layers.Dense(64, activation='relu', name='dense_2')(out)
logits = tf.keras.layers.Dense(3, activation="softmax",name='predictions')(out)
model = tf.keras.Model(inputs=input_xs, outputs=logits)

第三步：设置优化器与损失函数 

opt = tf.optimizers.Adam(1e-3)
loss = tf.losses.categorical_crossentropy

第四步：开始训练 

#模型训练
model.compile(optimizer=opt, loss=loss, metrics = ['accuracy'])
model.fit(x=iris_data,y=iris_target,batch_size=128, epochs=1000)		#fit函数载入数据
score = model.evaluate(iris_data, iris_target)
print("last score:",score)

 训练结果：